【技术实现步骤摘要】
本专利技术属于氢回路气液两相流流动状态识别领域，涉及一种基于深度神经网络的氢回路气液两相流流动状态识别方法。
技术介绍
1、在氢燃料电池发电过程中，消耗不完全的氢气会通过循环回路，实现回收利用。回路中的流体为气体和液体的混合，其流动状态复杂多变。其流动状态的精确监测，对于提高氢燃料电池工作的稳定性至关重要。
2、根据依赖的信息不同，气液两相流流动状态估计方法，可以分为射线法、光学法、超声法、电学法等。射线法成本较高且存在安全隐患。光学法利用高速摄像机对管道内的流动状态进行拍摄，利用标定手段作为参照确定管道内流体的相含率，对标定精度和标定手段要求较高，且管道需为透明材质，不适用于小管径氢气循环回路。超声法利用超声波在不同流体中传播的衰减程度不同实现流态诊断，但存在接收信号能量弱、信噪比较低等缺陷。电学法将流体当作不均匀导体，通过测量导体电阻，实现流态识别，但在高气相含率下识别精度差。
3、综上所述，亟需提出一种应用于小管径氢气循环回路的高精度流动状态识别方法。
技术实现思路
1、本专利技术提出一种基于深度神经网络的气液两相流流动状态识别方法，具体步骤如下：
2、一种基于深度神经网络的氢回路气液两相流流动状态识别方法，包括下列步骤：
3、第一步：构建样本集；采用超声电学双模态传感器，采集不同流动状态下的超声信号和电学信号；其中，流动状态包括四类，分别为层状流、塞状流、弹状流、环状流，记为s，超声传感器测量的超声信号记为u(t)，电学传感器
4、第二步：构建用于流态识别的深度神经网络；包含用于提取两种模态信号特征的特征提取单元、用于两种模态特征融合的信息融合模块以及用于对学习到的融合特征映射到四个流态的解码单元，从而输出最终的分类结果；
5、第三步，以第一步中构建的样本集x作为深度神经网络的输入，对第二步中构建的深度神经网络进行训练；训练过程涉及到多类别分类问题，使用多分类交叉熵损失函数。
6、第四步，获得识别结果。
7、第一步中，利用重采样方法，使得u(t)和e(t)长度一致。
8、第二步中，设计两个并行的特征提取单元，分别处理超声信号和电学信号的频谱图。超声信号的特征提取采用卷积神经网络，包含多个卷积层和池化层，卷积层用于提取局部特征，池化层用于降低特征维度，以捕获频谱图中的空间特征；电学信号的特征提取使用循环神经网络。信息融合模块包含特征拼接以及注意力机制，获得融合特征表示；解码单元包含上采样层、全连接层、softmax以及激活函数。
9、第二步中，电学信号的特征提取使用lstm或gru层来捕获时序信息。
10、第三步中的训练过程基于tensorflow框架或pytorch框架。
11、第四步的方法如下：采集待识别流动状态的超声测量数据upred(t)和电学测量数据epred(t)，将数据进行重采样；采用短时傅里叶变换，得到upred(t)和epred(t)的频谱图，记为upred和epred；将upred和epred输入训练好的深度神经网络，得到网络的输出spred，实现流动状态识别。
12、本专利技术依照以上方法的优点是采用超声电学双模态数据，能够获得反应气液两相流流动状态的更多的信息。采用具有强大非线性建模能力的深度神经网络方法，提高了流态识别的精度。
本文档来自技高网...【技术保护点】
1.一种基于深度神经网络的氢回路气液两相流流动状态识别方法，包括下列步骤：
2.根据权利要求1所述的氢回路气液两相流流动状态识别方法，其特征在于，第一步中，利用重采样方法，使得u(t)和e(t)长度一致。
3.根据权利要求1所述的氢回路气液两相流流动状态识别方法，其特征在于，第二步中，设计两个并行的特征提取单元，分别处理超声信号和电学信号的频谱图。超声信号的特征提取采用卷积神经网络，包含多个卷积层和池化层，卷积层用于提取局部特征，池化层用于降低特征维度，以捕获频谱图中的空间特征；电学信号的特征提取使用循环神经网络。信息融合模块包含特征拼接以及注意力机制，获得融合特征表示；解码单元包含上采样层、全连接层、softmax以及激活函数。
4.根据权利要求3所述的氢回路气液两相流流动状态识别方法，其特征在于，第二步中，电学信号的特征提取使用LSTM或GRU层来捕获时序信息。
5.根据权利要求1所述的氢回路气液两相流流动状态识别方法，其特征在于，第三步中的训练过程基于TensorFlow框架或Pytorch框架。
6.根据权利要求
...【技术特征摘要】
1.一种基于深度神经网络的氢回路气液两相流流动状态识别方法，包括下列步骤：
2.根据权利要求1所述的氢回路气液两相流流动状态识别方法，其特征在于，第一步中，利用重采样方法，使得u(t)和e(t)长度一致。
3.根据权利要求1所述的氢回路气液两相流流动状态识别方法，其特征在于，第二步中，设计两个并行的特征提取单元，分别处理超声信号和电学信号的频谱图。超声信号的特征提取采用卷积神经网络，包含多个卷积层和池化层，卷积层用于提取局部特征，池化层用于降低特征维度，以捕获频谱图中的空间特征；电学信号的特征提取使用循环神经网络。信息融合模块包含特征拼接以及注意力机制，获得融合特征表示；解码单元包含上采样层、全连接层、softmax以及激活函数。
4...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。